Bài báo xuất phát từ nhu cầu đảm bảo trước xác suất thành công của nhiệm vụ robot trong các tình huống rủi ro cao, nơi môi trường có thể chỉ được biết một phần. VIPARS (Verification in PARS) tích hợp phân tích tĩnh mã PARS và lan truyền xác suất qua Mạng Bayes để ước lượng phân phối các biến hiệu năng trong suốt quá trình thực thi, không cần duyệt trạng thái toàn phần.

Công trình mở rộng nghiên cứu trước đây từ nhiệm vụ đơn robot, môi trường trống sang:

• Nhiệm vụ đa robot với chướng ngại bất định: minh họa qua bài toán “Bounding Overwatch” hai robot phối hợp luân phiên tiến, tránh vật cản có vị trí/hiện diện không chắc chắn. Môi trường mô hình hóa bằng hỗn hợp Gaussian gắn “màu” (CMG) để bảo toàn các tiểu phân vị trí tương ứng với tín hiệu cảm biến, tránh trộn giả các giả thuyết mâu thuẫn. Mô tả ghép mô hình robot – cảm biến – môi trường trong PARS, trích hàm truyền (flow function) và lan truyền trong DBN. Kết quả xác minh (xác suất hoàn thành đúng bán kính Rmax và thời gian Tmax) được so sánh với 100 lượt thực nghiệm, chia vùng tin cậy cao/thấp và vùng bất định.
• - Nhiệm vụ với định vị xác suất: hai nhiệm vụ waypoint, robot dùng thuật toán AMCL (Adaptive Monte Carlo Localization) trong ROS thay cho odometry. Trình bày hai cách mô hình hóa định vị: (1) mô hình mức cao với hệ số tin cậy giảm dần theo thời gian; (2) nhúng trực tiếp mã định vị thật vào quy trình xác minh qua “hàm truyền mở rộng hỗn hợp” (MEF) lấy mẫu phân phối vị trí, chạy qua code thực và tái tạo phân phối đầu ra. Mô hình bản đồ (Map process) biểu diễn bằng hỗn hợp Gaussian có chỉ mục, dùng trong tránh vật cản và định vị.
•   
• Cả hai loại nhiệm vụ đều được thực nghiệm (50–100 lượt), so sánh đường cong xác minh và xác thực cho tiêu chí không gian và thời gian, phân tích sai số, chỉ ra tác động của vùng bất định và giá trị tham số tới kết quả; thảo luận khi nào định vị mang lại lợi ích nhiệm vụ.